关于数据:数仓搬迁从方法到实践带你解决数据一致性对比

摘要：数据仓库建设过程中，总是会波及到不同平台、同一平台物理环境搬迁，因为数据仓库数据量宏大，往往数据搬迁不可能在一个短周期内实现，会波及数据同步、校验、追批并跑、再校验过程。

本文次要论述数据校验过程设计，供相干人员借鉴。

数据一致性校验最核心内容项

校验伎俩

依据常见数据存储类型，次要实现对象级记录一致性校验，字段级数值、工夫、字符类型的数据一致性校验，即惯例提到的表级 count、字段级数值的 sum、工夫类型差值 sum、字符类型的 checksum。

下文以 TD 搬迁 GaussDB(DWS)为例，

1. 记录数

a) 表级 count(*)

2. 数据类型

a) 汇总 Sum(cola)

b) 均匀 Avg(cola)

c) 例外，针对 float 类型这种存在精度缺失场景，或间接不校验，或比对两个平台差别小于 5% 范畴即可承受；

d) 注意事项，不同平台可能存在 sum 放大小数点位数问题，可通过指定小数点地位，让两个平台数值完全一致；

3. 工夫类型

a) 汇总 Sum(工夫转换数字)

b) Date 类型实现款式

i. DWS：select extract(epoch from ‘20200819’::date);

ii. TD：sel (date’2020-08-19′-date’1970-01-01′)*86400;

c) Time 类型实现款式

i. DWS：select extract(epoch from ’12:12:12′::time);

ii. TD：sel extract(hour from time’12:12:12′)3600+extract(minute from time’12:12:12′)60+extract(second from time’12:12:12′);

d) TimeStamp 类型实现

i. DWS：select extract(epoch from ‘2020-08-19 12:12:12’::timestamp);

ii. TD：sel ((timestamp’2020-08-19 12:12:12′(date))-date’1970-01-01′)86400+extract(hour from timestamp’2020-08-19 12:12:12′)3600+extract(minute from timestamp’2020-08-19 12:12:12′)*60+extract(second from timestamp’2020-08-19 12:12:12′);

e) 行将两个平台将采纳同一周期进行工夫类型汇总，保证数据求和一致性；

4. 字符类型

a) 整体思路是将字符串在同一字符集条件下计算 MD5 值，再进行 MD5 串切分、异或（XOR），失去绝对较小数值，再进行数值 sum 求和；

注，若两个平台均反对自定义聚合函数，能够间接进行每个字符串 MD5 值计算，再进行全副 MD5 值异或操作，失去最终值，用于辨认数据一致性；

b) DWS 实现逻辑

创立自定义函数，

Create or replace function xor_md5(text) returns bigint immutable as $$
select ('x'||lpad(substr(md5($1),1,8),16,'0'))::bit(64)::bigint
     # ('x'||lpad(substr(md5($1),9,8),16,'0'))::bit(64)::bigint
     # ('x'||lpad(substr(md5($1),17,8),16,'0'))::bit(64)::bigint
     # ('x'||lpad(substr(md5($1),25,8),16,'0'))::bit(64)::bigint;
$$ language sql;
create function xor_md5_latin(text) returns bigint immutable as $$
select ('x'||lpad(substr(md5(convert($1,'GB18030')),1,8),16,'0'))::bit(64)::bigint
     # ('x'||lpad(substr(md5(convert($1,'GB18030')),9,8),16,'0'))::bit(64)::bigint
     # ('x'||lpad(substr(md5(convert($1,'GB18030')),17,8),16,'0'))::bit(64)::bigint
     # ('x'||lpad(substr(md5(convert($1,'GB18030')),25,8),16,'0'))::bit(64)::bigint;
$$ language sql;

c) TD 实现逻辑

i. 形式一：创立 SQL 自定义函数

replace function xor_md5(inpt varchar(32000))
returns bigint
language sql
deterministic contains sql
sql SECURITY DEFINER
collation INVOKER
INLINE TYPE 1
return
bitxor( bitxor ( bitxor (
cast(from_bytes(to_bytes(translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),1,8)
       using latin_to_unicode),'base16'),'base10') as bigint)
,cast(from_bytes(to_bytes(translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),9,8)
       using latin_to_unicode),'base16'),'base10') as bigint))
,cast(from_bytes(to_bytes(translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),17,8)
       using latin_to_unicode),'base16'),'base10') as bigint))
,cast(from_bytes(to_bytes(translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),25,8)
       using latin_to_unicode),'base16'),'base10') as bigint));

注，TD 通常实际中以 Latin 存储 GBK 中文数据，而 GaussDB(DWS)个别举荐采纳支流 UTF8 字符集存储数据，则单方进行字符 md5 计算时，需转换成同一个字符集，其中波及 hash_md5、udf_utf16to8、udf_w936to16 三个非 TD 内置函数，须要 https://downloads.teradata.co…

ii. 形式二：创立 C 自定义函数

replace function xor_md5_latin (arg varchar(32000) character set latin)
returns bigint
language c
no sql
external name 'ci:md5:md5.h:cs:xor_md5:xor_md5_latin.c:cs:md5:md5.c:F:xor_md5'
parameter style td_general;
replace function xor_md5(inpt varchar(32000))
returns bigint
language sql
deterministic contains sql
sql SECURITY DEFINER
collation INVOKER
INLINE TYPE 1
return
xor_md5_latin(udf_utf16to8(udf_w936to16(inpt,'')));

C 代码若有须要私聊留言

d) 测试数据如下

i. TD 执行状况

Select xor_md5(‘a’);
------------------------
2491710610
Select xor_md5_latin(‘中国’);
------------------------
66934228
Select xor_md5(‘中国’);
------------------------
1004201695
ii.              GS 执行状况
Select xor_md5(‘a’);
------------------------
2491710610
Select xor_md5_latin(‘中国’);
------------------------
66934228
Select xor_md5(‘中国’);
------------------------
1004201695

校验数据范畴

依据数据仓库数据个性，进行 切片粒度 数据收集，除记录数统计之外，其它均以字段级粒度收集数据，即一个切片一个字段产生一条记录信息。

_

_

注：针对 VA 类型，存在多日流水数据发生变化场景，将最新变动流水数据打包成一个切片进行校验；

通过以上切片粒度，实现数据增量校验；而每隔一个周期，再进行全量校验，保障数据残缺、统一；

校验形式

依据数据仓库个性，能够分为惯例批量校验和自定义校验；

通常，能够将校验嵌入批量过程中，即对应作业的数据表发生变化后，间接触发相干数据表校验，这样实现数据准实时校验，保障两个平台并跑期间数据一致性；另外，在确保两个平台数据稳固前提下，能够固定时间段或用户间接发动实时校验，用于核查平台一致性；

校验策略

可进行数据表分级分类，将无限校验计算资源投入到数据一致性校验中，可参照以下分类，

自动化服务

以上论述了相干实现的方法论，最初再探讨一下如何实际；

自动化校验框架，倡议常驻 rest 服务，用于接管客户端触发的校验申请，散发各数据平台执行校验采集工作，利用 rest 服务实现跨服务器交互问题；采纳一个 portal 展示界面，用于用户录入自定义校验规定以及查看数据校验状况。

点击关注，第一工夫理解华为云陈腐技术~